Machine Learning Engineering & MLOps – Zertifikatsprogramm / Weiterbildung (Schulung | Online)

Ihr neues Berufsbild

Sie verantworten Systeme der Künstlichen Intelligenz (KI) von der ersten Zeile Code bis zum produktiven Betrieb — entwickeln Modelle, bauen die Infrastruktur, die diese Modelle trägt, und sorgen dafür, dass beides zuverlässig funktioniert. In kleinen Teams als Alleinverantwortliche, in großen Organisationen als technische Schnittstelle zwischen Data Science und IT-Betrieb.

Als zertifizierte:r Machine Learning & Infrastructure Engineer sind Sie genau diese Person.

Was Sie beruflich tun

Sie tragen die Gesamtverantwortung für KI-Systeme — vom Modelldesign bis zum produktiven Betrieb. In Technologieunternehmen, Datenabteilungen, Cloud-Teams oder als spezialisierte:r Freelancer:in übernehmen Sie Aufgaben, die Entwicklung und Infrastruktur zusammendenken. Ihre Tätigkeiten umfassen:

• Entwicklung, Training und Evaluation von ML-Modellen mit Python, TensorFlow, PyTorch und Hugging Face
• Aufbau und Betrieb von End-to-End MLOps-Pipelines für reproduzierbare, automatisierte Trainings- und Deployment-Prozesse
• Bereitstellung von Modellen als skalierbare APIs und Deployment auf Cloud-Plattformen (AWS, Azure, GCP)
• Versionierung von Code, Daten und Modellen mit MLflow, DVC und Git für nachvollziehbare und auditierbare Systeme
• Kubernetes-basiertes Ressourcenmanagement für Training- und Inferenz-Workloads inkl. GPU-Cluster
• Monitoring von Modellperformance, Data Drift und Systemstabilität in produktiven Umgebungen
• Technische Brückenfunktion zwischen Data Science, Plattformteam und IT-Betrieb

Typische Positionen: KI-Systems Engineer, Senior ML Engineer, AI Platform Engineer, MLOps & Development Lead, Full-Stack AI Engineer, KI-Architekt:in für produktive Systeme.

Warum sich diese Weiterbildung lohnt

Der Markt unterscheidet zunehmend zwischen Fachkräften, die KI-Modelle entwickeln, und solchen, die diese Modelle in produktionsstabilen, skalierbaren Systemen betreiben. Wer beides kann, besetzt eine Schnittstellenrolle, die für Unternehmen aller Größen strategisch wertvoll ist — besonders dort, wo KI-Teams noch klein sind und eine Person den vollständigen Lifecycle verantworten muss.

Was Sie lernen

Die Weiterbildung umfasst zwei eigenständige Module, die nacheinander absolviert werden. Jedes Modul schließt mit einer eigenständigen Projektarbeit ab, in der Sie das Gelernte praktisch anwenden und nachweisen. Die Reihenfolge der Module kann variieren.

Modul T1 — KI-Entwicklung & Machine Learning: Sie beherrschen den vollständigen ML-Lifecycle: von Python-Setup, Datenaufbereitung und Feature Engineering über klassische Verfahren (Regression, Klassifikation, Clustering) bis zu Deep Learning mit TensorFlow/Keras und PyTorch. Sie arbeiten mit CNNs, Transformer-Architekturen und Hugging Face, entwickeln FastAPI-Inferenzendpunkte und containerisieren Ihre Anwendungen mit Docker.

Projektarbeit T1 — End-to-End ML-Anwendung: Sie entwickeln eine vollständige ML-Anwendung — von der Datenaufbereitung über Modelltraining und Evaluation bis zum deployment-fähigen API-Service mit Dokumentation und technischer Präsentation.

Modul T2 — KI-Infrastruktur & MLOps: Sie bauen und betreiben End-to-End MLOps-Pipelines: Experiment Tracking mit MLflow, Datenversionierung mit DVC, CI/CD für ML, Kubeflow- und Airflow-Pipelines, Feature Stores mit Feast, Cloud-Deployment auf AWS/Azure/GCP, Kubernetes-Cluster-Management, Monitoring, Observability, Security und Compliance.

Projektarbeit T2 — Produktionsreife MLOps-Pipeline: Sie bauen eine vollständige, produktionsreife MLOps-Pipeline — von der automatisierten Datenpipeline über CI/CD-Integration und Cloud-Deployment bis zu Monitoring und Alerting. Die Pipeline wird live demonstriert und dokumentiert.

Hochschulniveau ohne Umwege — der ECTS-Vorteil

KHMI ist ein An-Institut der Karlshochschule International University. Das ist kein formales Detail. Es ist ein struktureller Qualitätsvorteil. ECTS-Punkte zeigen an, wie viel Zeit und Aufwand für eine Weiterbildung erbracht wurde — und machen Leistungen vergleichbar und anrechenbar. Das bedeutet: Die Lerninhalte, Prüfungsformate und Workload-Standards der KHMI-Weiterbildung orientieren sich an den Maßstäben einer Hochschule.

Bezeichnung der Weiterbildung:
Machine Learning Engineering & MLOps (WB-12-SYSTEMS  (T1 + T2))

Seminarart
Weiterbildung │ Vollzeitseminar

Förderung
Das Seminar ist nach SGB III zu 100 % förderfähig
 
Ort
Online Live – Virtuelles Klassenzimmer (synchrone Präsenz per Video)

Dauer
88 Unterrichtstage │ ca. 4,5 Monate │ 2 Modul(e)

Unterrichtszeiten
Montag bis Freitag, 08:00 – 16:00 Uhr

Zertifikat
KHMI-Zertifikat  │  Zertifizierte:r Machine Learning & Infrastructure Engineer

ECTS-Vergabe
Voraussetzungen werden individuell geprüft und abgestimmt

Eventdatum: 23.11.26 – 13.04.27

Eventort: Online